第1篇 推荐系统的背景介绍和入门

第1章 走进推荐系统

1.1 从“啤酒与尿布”到推荐系统的前世今生

1.1.1 “啤酒与尿布”

1.1.2 推荐系统的前世今生

1.2 推荐系统可以做什么

1.2.1 什么是推荐系统

1.2.2 在电商类产品中的应用

1.2.3 在社交类产品中的应用

1.2.4 在音乐类产品中的应用

1.2.5 在视频类产品中的应用

1.2.6 在阅读类产品中的应用

1.2.7 在服务类产品中的应用

1.3 学习本书需要的技能

1.3.1 Python基础

1.3.2 数据结构

1.3.3 工程能力

1.4 如何学习本书

1.5 知识导图

第2章 搭建你的第一个推荐系统

2.1 实例1：搭建电影推荐系统

2.1.1 利用Netflix数据集准备数据

2.1.2 使用Python表示数据

2.1.3 选择相似用户

2.1.4 为用户推荐相似用户喜欢的电影

2.1.5 分析效果

2.2 总结：搭建推荐系统的一般步骤

2.2.1 准备数据

2.2.2 选择算法

2.2.3 模型训练

2.2.4 效果评估

2.3 知识导图

第3章 推荐系统常用数据集介绍

3.1 MovieLens数据集

3.1.1 README

3.1.2 ratings.dat

3.1.3 movies.dat

3.1.4 users.dat

3.2 Book-Crossings数据集

3.2.1 BX-Book-Ratings.csv

3.2.2 BX-Books.csv

3.2.3 BX-Users.csv

3.3 Last.fm数据集

3.3.1 README

3.3.2 artists.dat

3.3.3 tags.dat

3.3.4 user＿artists.dat

3.3.5 user＿friends.dat

3.3.6 uses＿taggedartists.dat

3.3.7 user＿taggedartists-timestamps.dat

3.4 FourSquare数据集

3.4.1 users.dat

3.4.2 venues.dat

3.4.3 checkins.dat

3.4.4 socialgraph.dat

3.4.5 ratings.dat

3.5 Kaggle比赛之retailrocket数据集

3.5.1 events.csv

3.5.2 category＿tree.csv

3.5.3 item＿properties.csv

3.6 场景分析

3.7 知识导图

第2篇 推荐系统涉及的算法介绍、冷启动和效果评估

第4章 数据挖掘——让推荐系统更懂你

4.1 数据预处理

4.1.1 数据标准化

4.1.2 实例2：实现数据的标准化

4.1.3 数据离散化

4.1.4 实例3：基于信息熵的数据离散化

4.1.5 数据抽样

4.1.6 数据降维

4.1.7 实例4：对鸢尾花数据集特征进行降维

4.1.8 数据清理

4.1.9 相似度计算

4.2 数据分类

4.2.1 K最近邻算法

4.2.2 实例5：利用KNN算法实现性别判定

4.2.3 决策树算法

4.2.4 实例6：构建是否举办活动的决策树

4.2.5 朴素贝叶斯算法

4.2.6 实例7：基于朴素贝叶斯算法进行异常账户检测

4.2.7 分类器的评估

4.2.8 实例8：scikit-learn中的分类效果评估

4.3 数据聚类

4.3.1 kMeans算法

4.3.2 实例9：基于kMeans算法进行商品价格聚类

4.3.3 二分-kMeans算法

4.3.4 实例10：基于二分-kMeans算法进行商品价格聚类

4.3.5 聚类算法的评估

4.3.6 实例11：scikit-learn中的聚类效果评估

4.4 关联分析

4.4.1 Apriori算法

4.4.2 实例12：基于Apriori算法实现频繁项集和相关规则挖掘

4.5 知识导图

第5章 基于用户行为特征的推荐

5.1 用户行为分类

5.2 基于内容的推荐算法

5.2.1 算法原理——从“构造特征”到“判断用户是否喜欢”

5.2.2 实例13：对手机属性进行特征建模

5.3 实例14：编写一个基于内容推荐算法的电影推荐系统

5.3.1 了解实现思路

5.3.2 准备数据

5.3.3 选择算法

5.3.4 模型训练

5.3.5 效果评估

5.4 基于近邻的推荐算法

5.4.1 UserCF算法的原理——先“找到相似同户”，再“找到他们喜欢的物品”

5.4.2 ItemCF算法的原理——先“找到用户喜欢的物品”，再“找到喜欢物品的相似物品”

5.5 实例15：编写一个基于UserCF算法的电影推荐系统

5.5.1 了解实现思路

5.5.2 准备数据

5.5.3 选择算法

5.5.4 模型训练

5.5.5 效果评估

5.6 实例16：编写一个基于ItemCF算法的电影推荐系统

5.6.1 了解实现思路

5.6.2 准备数据

5.6.3 选择算法

5.6.4 模型训练

5.6.5 效果评估

5.7 对比分析：UserCF算法和ItemCF算法

5.8 对比分析：基于内容和基于近邻

5.9 基于隐语义模型的推荐算法

5.9.1 LFM概述

5.9.2 LFM算法理解

5.10 实例17：编写一个基于LFM的电影推荐系统

5.10.1 了解实现思路

5.10.2 准备数据

5.10.3 选择算法

5.10.4 模型训练

5.10.5 效果评估

5.11 知识导图

第6章 基于标签的推荐

6.1 基于标签系统的应用

6.1.1 Last.fm

6.1.2 Delicious

6.1.3 豆瓣

6.1.4 网易云音乐

6.2 数据标注与关键词提取

6.2.1 推荐系统中的数据标注

6.2.2 推荐系统中的关键词提取

6.2.3 标签的分类

6.3 实例18：基于TF-IDF算法提取商品标题的关键词

6.3.1 了解TF-IDF算法

6.3.2 认识商品标题描述

6.3.3 提取关键词

6.4 基于标签的推荐系统

6.4.1 标签评分算法

6.4.2 标签评分算法改进

6.4.3 标签基因

6.4.4 用户兴趣建模

6.5 实例19：利用标签推荐算法实现艺术家的推荐

6.5.1 了解实现思路

6.5.2 准备数据

6.5.3 选择算法

6.5.4 模型训练

6.5.5 效果评估

6.6 知识导图

第7章 基于上下文的推荐

7.1 基于时间特征的推荐

7.1.1 时间效应介绍

7.1.2 时间效应分析

7.1.3 推荐系统的实时性

7.1.4 协同过滤中的时间因子

7.2 实例20：实现一个“增加时间衰减函数的协同过滤算法”

7.2.1 在UserCF算法中增加时间衰减函数

7.2.2 在ItemCF算法中增加时间衰减函数

7.3 基于地域和热度特征的推荐

7.3.1 为什么要将地域和热度特征放在一起

7.3.2 解读LARS中的地域特征

7.3.3 基于地域和热度的推荐算法

7.4 实例21：创建一个基于地域和热度的酒店推荐系统

7.4.1 了解实现思路

7.4.2 准备数据

7.4.3 选择算法

7.4.4 模型训练

7.4.5 效果评估

7.5 其他上下文信息

7.6 知识导图

第8章 基于点击率预估的推荐

8.1 传统推荐算法的局限和应用

8.1.1 传统推荐算法的局限

8.1.2 传统推荐算法的应用

8.2 点击率预估在推荐系统中的应用

8.3 集成学习

8.3.1 集成学习概述

8.3.2 Boosting算法（提升法）

8.3.3 Bagging算法（自助法）

8.3.4 Stacking算法（融合法）

8.4 导数、偏导数、方向导数、梯度

8.4.1 导数

8.4.2 偏导数

8.4.3 方向导数

8.4.4 梯度

8.4.5 梯度下降

8.5 GBDT算法

8.5.1 Gradient Boosting方法

8.5.2 决策树

8.5.3 GBDT算法的原理

8.6 实例22：基于GBDT算法预估电信客户流失

8.6.1 了解实现思路

8.6.2 准备数据

8.6.3 选择算法

8.6.4 模型训练

8.6.5 效果评估

8.7 回归分析

8.7.1 什么是回归分析

8.7.2 回归分析算法分类

8.8 Logistic Regression算法

8.8.1 Sigmoid函数

8.8.2 LR为什么要使用Sigmoid函数

8.8.3 LR的算法原理分析

8.9 实例23：基于LR算法预估电信客户流失

8.9.1 准备数据

8.9.2 选择算法

8.9.3 模型训练

8.9.4 效果评估

8.10 GBDT＋LR的模型融合

8.10.1 GBDT＋LR模型融合概述

8.10.2 为什么选择GBDT和LR进行模型融合

8.10.3 GBDT＋LR模型融合的原理

8.11 实例24：基于GBDT和LR算法预估电信客户流失

8.11.1 准备数据

8.11.2 选择算法

8.11.3 模型训练

8.11.4 效果评估

8.12 知识导图

第9章 推荐系统中的冷启动

9.1 冷启动介绍

9.1.1 冷启动的分类

9.1.2 冷启动的几种实现方法

9.2 基于热门数据推荐实现冷启动

9.3 利用用户注册信息实现冷启动

9.3.1 注册信息分析

9.3.2 实例25：分析Book-Crossings数据集中的共性特征

9.3.3 实现原理

9.4 利用用户上下文信息实现冷启动

9.4.1 设备信息特征

9.4.2 时间地域信息特征

9.4.3 实现原理

9.5 利用第三方数据实现冷启动

9.6 利用用户和系统之间的交互实现冷启动

9.6.1 实现原理

9.6.2 推荐系统中实时交互的应用

9.6.3 实例26：用户实时交互推荐系统设计

9.7 利用物品的内容属性实现冷启动

9.7.1 物品内容属性分析

9.7.2 物品信息的使用

9.8 利用专家标注数据实现冷启动

9.9 知识导图

第10章 推荐系统中的效果评估

10.1 用户调研

10.2 在线评估

10.3 在线实验方式——ABTest

10.3.1 ABTest介绍

10.3.2 ABTest流程

10.3.3 ABTest的注意事项

10.4 在线评估指标

10.4.1 点击率

10.4.2 转化率

10.4.3 网站成交额

10.5 离线评估

10.6 拆分数据集

10.6.1 留出法

10.6.2 K-折交叉验证法

10.6.3 自助法

10.6.4 实例27：使用sklearn包中的train＿test＿split()函数进行数据集拆分

10.6.5 实例28：使用sklearn包中的KFold()函数产生交叉验证数据集

10.6.6 实例29：使用sklearn包中的cross＿validate()函数演示交叉验证

10.7 离线评估指标

10.7.1 准确度指标之预测分类准确度指标

10.7.2 实例30：使用sklearn包中的metrics类预测分类准确度

10.7.3 准确度指标之预测评分准确度指标

10.7.4 实例31：使用sklearn包中的metrics类预测评分准确度

10.7.5 准确度指标之预测评分关联指标

10.7.6 准确度指标之排序准确度指标

10.7.7 非准确度指标

10.8 知识导图

第3篇 推荐系统实例

第11章 实例32：搭建一个新闻推荐系统

11.1 准备数据

11.2 预处理数据

11.2.1 原始数据加工

11.2.2 新闻热度值计算

11.2.3 新闻相似度计算

11.2.4 指定标签下的新闻统计

11.3 设计架构

11.4 实现系统

11.4.1 准备环境

11.4.2 实现后端接口

11.4.3 实现前端界面

11.4.4 系统演示

11.5 代码复现

11.5.1 安装依赖

11.5.2 数据入库

11.5.3 修改配置

11.5.4 项目启动

11.6 知识导图

第12章 实例33：搭建一个音乐推荐系统

12.1 准备数据

12.2 预处理数据

12.2.1 计算歌曲、歌手、用户相似度

12.2.2 计算用户推荐集

12.2.3 数据导入数据库

12.3 设计架构

12.4 实现系统

12.4.1 准备环境

12.4.2 实现后端接口

12.4.3 实现前端界面

12.4.4 系统演示

12.5 代码复现

12.5.1 安装依赖

12.5.2 数据入库

12.5.3 修改配置

12.5.4 项目启动

12.6 知识导图

第13章 实例34：搭建一个图书推荐系统

13.1 准备数据

13.2 预处理数据

13.2.1 原始数据加工

13.2.2 数据导入数据库

13.2.3 模型准备

13.3 设计架构

13.4 实现系统

13.4.1 准备环境

13.4.2 实现后端接口

13.4.3 实现前端界面

13.4.4 系统演示

13.5 代码复现

13.6 知识导图

第14章 业界推荐系统架构介绍

14.1 概述

14.2 架构介绍

14.3 召回内容

14.4 计算排序

14.4.1 特征工程

14.4.2 特征分类

14.4.3 排序算法

14.5 物品过滤和展示

14.5.1 物品过滤

14.5.2 物品展示

14.6 效果评估

14.7 知识导图